高速公路汽车追尾碰撞预警关键参数估计

第３５卷第９期２０１４年９月

哈㊀ 尔㊀ 滨㊀ 工㊀ 程㊀ 大㊀ 学㊀ 学㊀ 报ＪｏｕｒｎａｌｏｆＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ

Ｖｏｌ．３５ɴ．９ Ｓｅｐ．２０１４

高速公路汽车追尾碰撞预警关键参数估计

宋翔，李旭，张为公

（东南大学仪器科学与工程学院，江苏南京２１００９６）

摘㊀ 要：为准确㊁ 可靠获取高速公路汽车追尾预警算法的关键参数，提出一种基于车辆相对运动典型工况的估计方法㊂ 根据高速公路车辆不同的相对运动典型工况建立多个卡尔曼滤波系统状态模型，以全球定位系统与车车通信信息结合雷达信息作为观测量，并在运行过程中检测㊁ 容忍传感器信息的不准确甚至失效，利用交互多模型算法，实时㊁ 准确㊁ 可靠的获取两车相对距离㊁ 速度㊁ 加速度以及碰撞时间等关键参数㊂ 仿真及实车试验结果表明，估计方法具有精度高㊁ 鲁棒性和适应性好的优点，且在传感器失效的情况下依然能取得较好的估计效果㊂

关键词：追尾碰撞；参数估计；交互多模型；卡尔曼滤波；车车通信；全球定位系统；毫米波雷达；传感器失效容忍；距离碰撞时间

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００６⁃７０４３．２０１４０４０９０

网络出版地址：ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｏｉ／１０．３９６９／ｊ．ｉｓｓｎ．１００６⁃７０４３．２０１４０４０９０．ｈｔｍｌ中图分类号：ＴＰ２７３㊀文献标志码：Ａ㊀文章编号：１００６⁃７０４３（２０１４）０９⁃１１４２⁃０７

Ｅｓｔｉｍａｔｉｏｎｏｆｋｅｙｐａｒａｍｅｔｅｒｓｏｆｈｉｇｈｗａｙｒｅａｒ⁃ｅｎｄｃｏｌｌｉｓｉｏｎｗａｒｎｉｎｇ

（ＤｅｐａｒｔｍｅｎｔｏｆＩｎｓｔｒｕｍｅｎｔＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９６，Ｃｈｉｎａ）

ＳＯＮＧＸｉａｎｇ，ＬＩＸｕ，ＺＨＡＮＧＷｅｉｇｏｎｇ

Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｏｂｔａｉｎｋｅｙｐａｒａｍｅｔｅｒｓｏｆｈｉｇｈｗａｙｒｅａｒ⁃ｅｎｄｗａｒｎｉｎｇａｃｃｕｒａｔｅｌｙａｎｄｒｅｌｉａｂｌｙ，ａｎｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｔｙｐｉｃａｌｒｅｌａｔｉｖｅｍｏｖｅｍｅｎｔｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｏｆｖｅｈｉｃｌｅｓ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｄｉｆｆｅｒｅｎｔｖｅ⁃ｈｉｃｌｅｒｅｌａｔｉｖｅｍｏｖｅｍｅｎｔｃｏｎｄｉｔｉｏｎｓｏｎｔｈｅｈｉｇｈｗａｙ，ｔｈｅｍｕｌｔｉｐｌｅＫａｌｍａｎｆｉｌｔｅｒｉｎｇｓｙｓｔｅｍｓｔａｔｅｍｏｄｅｌｓａｒｅｅｓｔａｂ⁃ｌｉｓｈｅｄ．Ｃｏｍｂｉｎｉｎｇｔｈｅｇｌｏｂａｌｐｏｓｉｔｉｏｎｉｎｇｓｙｓｔｅｍ，ｖｅｈｉｃｌｅ⁃ｔｏ⁃ｖｅｈｉｃｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎａｎｄｒａｄａｒｉｎｆｏｒｍａ⁃ｔｉｏｎａｓｏｂｓｅｒｖａｔｉｏｎａｌｖａｒｉａｂｌｅｓ，ｔｈｅｋｅｙｐａｒａｍｅｔｅｒｓ，ｓｕｃｈａｓｒｅｌａｔｉｖｅｄｉｓｔａｎｃｅ，ｒｅｌａｔｉｖｅｖｅｌｏｃｉｔｙ，ｒｅｌａｔｉｖｅａｃｃｅｌｅｒａｔｉｏｎａｎｄＴＴＣ（ｔｉｍｅｔｏｃｏｌｌｉｓｉｏｎ），ａｒｅａｃｃｕｒａｔｅｌｙａｎｄｒｅｌｉａｂｌｙａｃｑｕｉｒｅｄｉｎｒｅａｌｔｉｍｅｂｙｕｓｉｎｇｉｎｔｅｒａｃｔｉｎｇｍｕｌｔｉｐｌｅｍｏｄｅｌｓａｌｇｏｒｉｔｈｍ．Ｍｏｒｅｏｖｅｒ，ｔｈｅｉｎａｃｃｕｒａｔｅａｎｄｉｎｖａｌｉｄｉｎｆｏｒｍａｔｉｏｎｏｆｓｅｎｓｏｒｓｉｓｄｅｔｅｃｔｅｄａｎｄｔｏｌｅｒａｔｅｄｉｎｔｈｉｓｍｅｔｈｏｄ．Ｔｈｅｓｉｍｕｌａｔｉｏｎａｎｄｔｒｉａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄｈａｓａｄｖａｎｔａｇｅｓｏｆｈｉｇｈａｃｃｕｒａｃｙ，ｇｏｏｄｒｏｂｕｓｔｎｅｓｓａｎｄｓｔｒｏｎｇａｄａｐｔａｂｉｌｉｔｙ．Ｉｎａｄｄｉｔｉｏｎ，ｔｈｅｈｉｇｈ⁃ｑｕａｌｉｔｙｅｓｔｉｍａｔｉｏｎｒｅｓｕｌｔｓｃａｎｓｔｉｌｌｂｅｏｂｔａｉｎｅｄｅｖｅｎｉｎｔｈｅｃａｓｅｏｆｓｅｎｓｏｒｍａｌｆｕｎｃｔｉｏｎｓ．

Ｋｅｙｗｏｒｄｓ：ｒｅａｒ⁃ｅｎｄｃｏｌｌｉｓｉｏｎ；ｐａｒａｍｅｔｅｒｓｅｓｔｉｍａｔｉｏｎ；ｉｎｔｅｒａｃｔｉｎｇｍｕｌｔｉｐｌｅｍｏｄｅｌ；Ｋａｌｍａｎｆｉｌｔｅｒｉｎｇ；ｇｌｏｂａｌｐｏｓｉｔｉｏ⁃ｎｉｎｇｓｙｓｔｅｍ；ｍｉｃｒｏｗａｖｅｒａｄａｒ；ｖｅｈｉｃｌｅｔｏｖｅｈｉｃｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ；ｓｅｎｓｏｒｆａｉｌｕｒｅｔｏｌｅｒａｎｃｅ；ｔｉｍｅｔｏｃｏｌｌｉｓｉｏｎ㊀ ㊀ 统计资料表明，车辆的追尾碰撞事故是高速公路上最主要的事故形态，其预警系统的研究也因此引起了世界各国的重视，环境感知与预警算法是其中的２项关键技术㊂

收稿日期：２０１３⁃０４⁃２６．网络出版时间：２０１４⁃０９⁃０４．基金项目：国家自然科学基金资助项目（６１２７３２３６）；教育部博士点基

金资助项目（２００８０２８６１０６１）；江苏省自然科学基金资助项目（ＢＫ２０１０２３９）；江苏省博士后科研基金资助项目（１４０１０１２Ｃ）．

作者简介：宋翔（１９８４⁃），男，博士后；

李旭（１９７５⁃），男，副教授，博士生导师．

通信作者：宋翔，Ｅ⁃ｍａｉｌ：ｓｘ２１９０１０５＠１６３．ｃｏｍ．

等技术被广泛研究和应用㊂ 毫米波雷达［４］最为常用，性能也最为优良，但所测信息噪声较大，易受恶劣天气㊁ 电磁波等影响，难以有效区分干扰目标，且无法获取车辆间相对加速度信息㊂ 近年来，国外很Ｖ２Ｖ）的防追尾碰撞技术进行了研究，该技术所获取但其有效性取决于ＧＰＳ和车车通信所传递信息的准确可靠，若ＧＰＳ受到遮挡，或因车车通信受到干多学者对基于全球定位系统与车车通信［５⁃７］（ＧＰＳ⁃信息较为全面㊁ 准确，且不受天气㊁ 干扰目标等影响，

在环境感知方面，雷达［１］㊁ 红外［２］㊁ 机器视觉［３］

第９期㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ 宋翔，等：高速公路汽车追尾碰撞预警关键参数估计㊃ １１４３㊃

扰而被屏蔽或延时，则会导致信息的不准确甚至无法获取，同时车车通信并未普及，很多车辆并不具备该功能㊂

碰撞时间（ｔｉｍｅｔｏｃｏｌｌｉｓｉｏｎ，ＴＴＣ）是追尾碰撞预警算法［８］中的一个关键参数与指标，国内外的ＴＴＣ值计算［９］方法忽略了相对加速度，导致计算结果误差较大，影响预警的准确性㊂ 同时，为滤除观测噪声，卡尔曼滤波［１０］㊁ 粒子滤波［１１］等滤波方法被广泛应用，近年来，交互多模型（ＩＭＭ）［１２⁃１３］机动目标跟踪算法也被应用于此，进一步减小了测量误差，但所采用的模型未考虑高速公路车辆相对运动的典型工况，准确性不足，也无法对故障或失效传感器信息有效处理和容忍，影响算法的可靠性㊂

基于此，本文提出一种高速公路汽车追尾碰撞预警关键参数估计方法，针对车辆相对运动的不同典型工况建立多个模型，利用ＩＭＭ算法，融合雷达和ＧＰＳ⁃Ｖ２Ｖ信息，实时㊁ 准确㊁ 可靠获取两车相对距离㊁ 速度与加速度等关键参数，并结合相对加速度信息来改ＴＴＣ这个预警关键参数进传统ＴＴＣ算法㊂

，以准确㊁ 可靠地估计出

１㊀１．１㊀系统传感器配置及算法构架

采用毫米波雷达传感器特性

㊁ＧＰＳ㊁ 加速度计，结合Ｖ２Ｖ以提供观测信息㊂ 毫米波雷达提供包含较大噪声的两车相对距离与速度，一般不会完全失效㊂ ＧＰＳ与加速度计提供自车位置㊁ 车速与加速度信息，Ｖ２Ｖ作提供前车的位置㊁ 车速与加速度信息，ＧＰＳ⁃Ｖ２Ｖ信息较为全面准确，但ＧＰＳ信号受到遮挡或Ｖ２Ｖ无法传输信息时会导致无法提供有效的前车信息号，很易判别Ｖ２Ｖ发生故障或失效的表现为无前车信息信

㊂

，ＧＰＳ信号是否发生故障或失效则可利用水ＨＤＯＰ）平精度因子（ｈｏｒｉｚｏｎｔａｌｄｉｌｕｔｉｏｎｏｆｐｒｅｃｉｓｉｏｎ，数大于等于值结合卫星数来判别４个时，判定为ＧＰＳ，在ＨＤＯＰ＜５正常工作时且卫星，否则判定ＧＰＳ失效㊂

基于此结合ＧＰＳ⁃Ｖ２Ｖ与雷达的优缺点，当传感器都工作正常时，以ＧＰＳ⁃Ｖ２Ｖ与加速度计及信息作为观测量，当车车通信失效而ＧＰＳ能正常工作时，以ＧＰＳ㊁加速度计及雷达信息作为观测量，当ＧＰＳ１．２㊀失效时算法构架

，以加速度计及雷达信息作为观测量㊂

所提出的关键参数估计算法如图

１㊂

图１㊀估计方法框图

Ｆｉｇ．１㊀Ｆｌｏｗｃｈａｒｔｏｆｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄ

２㊀２．１㊀车辆状态模型设置

车辆运动状态采用离散时间多模型表示系统状态方程

Ａ：Ｘｊ（ｋ）＝ｊ（ｋ，ｊｋ＝－１，２， ，７

１）Ｘｊ（ｋ－１）＋Ｗｊ（ｋ）

（１）

式中：ｋ表示离散化时刻；下标ｊ表示第ｊ个模型；状态向量Ｘ＝［ｄ㊀ ｖＬ声，其协方差矩阵为㊀ ＱａＬ；㊀ ＡｖＦ㊀ ａＦ］Ｔ；Ｗ为系统白噪ａ表示状态转移矩阵；ｄ为前车距自车的距离ＶＬ为前车速度与加速度；２．２㊀Ｆ㊁ ａ；ＶＬ㊁ Ｆ为自车速度与加速度㊂

针对高速公路车辆运行及发生追尾碰撞的典型

多模型设置

场景和工况进行分析，定义如下６种较为普遍的追尾碰撞危险工况，为简化模型，假定自车与前车行驶在同一直线上：

工况１：前车静止，自车匀速行驶；工况２：前车静止，自车加速行驶；

工况３：前车匀速行驶，自车以大于前车速度的车速匀速行驶；

工况４：前车匀速行驶，自车加速行驶；工况５：前车减速行驶，自车匀速行驶；工况６：前车减速行驶，自车加速行驶㊂ 除此之外，还考虑高速公路上常见安全状态：

㊃ １１４４㊃ 哈㊀ 尔㊀ 滨㊀ 工㊀ 程㊀ 大㊀ 学㊀ 学㊀ 报㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ 第３５卷

工况０：自车以等于前车的速度匀速行驶；工况７：自车以小于前车的速度匀速行驶；工况８：前车加速行驶，自车匀速行驶；工况９：前车匀速行驶，自车减速行驶㊂ ３㊁５㊁４，可见工况个卡尔曼模型来描述上述因此仅对工况７㊁８㊁９的状态转移矩阵等同于工况

０ ６７进行分析即可种工况，即ｊ＝㊂ １，２， ，

采用７

７，以分别代表工况Ａ，有：

０ ６，计算其状态转移矩阵Ａ１－Ａ７㊂ １为例éêê１

０Ａ０１００１＝êêê０

００００００ù

úú０úêê０２．３㊀ë０

００

０００

１０

０úú０úúû

第观测方程

ｊ个滤波器的观测方程为

Ｚｊ（ｋ）＝ｊＨ＝ｊ(ｋ)Ｘｊ１，２， ，７

（ｋ）＋Ｖｊ（ｋ）

（２）

式中：Ｚ为观测向量，Ｈ为观测矩阵，Ｚ与Ｈ根据传感器实时状态进行切换如图２所示；Ｖ是与Ｗ互不相关的观测噪声向量，其协方差矩阵为Ｒ

㊂

图２㊀观测量切换框图

Ｆｉｇ．２㊀Ｆｌｏｗｃｈａｒｔｏｆｏｂｓｅｒｖａｔｉｏｎｓｓｗｉｔｃｈｉｎｇ

图２中，ｄ距离，ｄＧＰＳ⁃Ｖ２Ｖ为由ＧＰＳ及Ｖ２Ｖ所计算的车间

ｒａｄａｒ和ｖｒ⁃ｒａｄａｒ为雷达所观测的车间距离与前车相对于自车的速度，ｖ前车速度和加速度，ｖＬ⁃Ｖ２Ｖ和ａ为ＧＰＳＬ⁃Ｖ２Ｖ为Ｖ２Ｖ所传输的所观测的自车速

度，ａＦ⁃ＧＰＳ３㊀Ｆ⁃ＡＣＣ为加速度计所观测的自车加速度㊂ 基于ＩＭＭ的改进ＴＴＣ估计方法

针对上述典型工况，建立７个卡尔曼滤波模型，

模型之间的转移概率用一个马尔科夫链来表示：Ｐ｛ｍ（ｋ＋１）＝ｊ｜ｍ（ｋ））＝ｉ｝＝ｐｉｊ

式中：ｍ（ｋ）是系统模型；ｐ（３）

ｉｊ是转移概率，下标ｉ㊁ ｊ表

示从状态ｉ转移到状态ｊ的概率㊂

３．１㊀预测第交互估计计算ｊ（ｊ＝１，２，３， ，７）个模型的模型概率

ρｊ（ｋ，ｋ－１）：

ρ７

ｊ（ｋ，ｋ－１）＝

预测混合概率ρð ｉ＝１

ｐｉｊρｉ（ｋ－１）ｉ｜ｊρ（ｋ－１）：

（４）ｉ｜ｊρｉ则可计算出交互估计后第（ｋ－１）＝ｐｉｊ（ｋｊ－个滤波器在１）／ρｊ（ｋ，ｋ－ｋ时刻的输１）

（５）

入Ｘ３．２㊀０ｊ每个滤波器各自进行卡尔曼滤波递推模型条件滤波

（ｋ－１）与估计误差方差阵Ｐ０ｊ（ｋ－１）㊂

，可根据

标准卡尔曼滤波递推过程进行，包括时间更新和测量更新两个过程，从而递推出第ｊ个模型滤波器的状态估计Ｘ３．３㊀模型概率更新

ｊ（ｋ）与估计误差方差阵Ｐｊ（ｋ）㊂

在每个模型完成上一步的更新之后，利用最大

似然函数Λｊ函数计算如下（ｋ：）计算新的模型概率ρｊ（ｋ），最大似然Λ{

１

ｋ)

}

ｊ（ｋ）＝

ｅｘｐ－

２

(Ｄｊ(ｋ))Ｔ

(Ｓｊ(ｋ))

－１

Ｄｊ(２πＳｊ(ｋ)

式中：Ｄ（６）

ｊ出的第ｊ（个模型ｋ）与Ｓｊ（ｋｋ时刻的残差与协方差）分别为模型条件滤波中所计算，由贝叶斯定理给出第ｊ个模型在ｋ时刻的模型概率ρｊ（ｋ）：

ρｊ(ｋ)＝

Λｊ(ｋ)ρｊ(ｋ，ｋ－１)－１）为第ｊ７

Λ（７）

ｉ个模型在＝１

ｉ(ｋ)ρｉ(ｋ，ｋ－１)式中：ρ３．４㊀估计组合

ｊ（ｋｋ－１时刻的模型概率㊂

在计算出各模型为正确的后验概率之后，对所

有滤波器的状态估计进行概率加权并求和，权系数为模型正确的后验概率，得到最终的状态估计为

Ｘ(ｋ)＝

ð ７

ｊ＝１

Ｘｊ(ｋ)ρｊ(ｋ)（８）

㊀ 加速度估计㊀ 据此即可推算出最终的两车相对距离，即车辆间相对距离ｄ可直接估计得出㊁ 速度和，

前车相对于自车的速度－ｖａｒ的加速度ａ＝ｖＬ－ｖＦ，前车相对于自车３．５㊀改进ＴＴＣｒ＝ａ算法ＬＦ㊂

传统的ＴＴＣ计算方法为当前两车相对距离除

以相对速度，该方法忽略了车辆间相对加速度，存在较大的误差，从而影响预警效果㊂ 在此基础上考虑

第９期㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ 宋翔，等：高速公路汽车追尾碰撞预警关键参数估计㊃ １１４５㊃

相对加速度信息进行改进：ｄ＋ｖｒ解式（９）可得

㊃ＴＴＣ ＋０．５ａｒ㊃ＴＴＣ ２＝０

（９）

ìïï－ｄｖｒ＜０，ａｒ＝ï

ｖｒ０ＴＴＣ＝ïïíï－ｖａｒ

－ｒｒｒａｒｖｒ＜０，ａｒʂ ０ï

ïｖ２ï－ａｒ

＋ｒ－２ｄˑ ａｒｒａｒｖｒȡ ０，ａｒ＜０㊀ ＴＴＣ㊀ 值将估计出的î

，且当(ｖ２（２）无解，此时不予计算ｒ

－２ｄｄ㊁ ˑ ｖａｒ㊁ ａｒ值代入即可实时计算出ｒ)＜０或ｖｒȡ０， ａｒȡ０ 时，式４㊀ＴＴＣ值㊂

４．１㊀仿真及试验分析

设置高速公路上典型工况对本文算法进行验

仿真验证与分析

证，应注意的是，若存在全面准确的Ｖ２Ｖ信息，则本文算法所需的所有信息均可实时准确获取，无法验证本文算法的鲁棒性，因此，在仿真试验中，假设无０法获取 ５ｓ内Ｖ２Ｖ，自车与前车以相同的速度匀速行驶信息㊂ 仿真工况１设置为：时长１０，５ｓ，

１０ 果如图ｓ内前车加速３所示，并与利用单卡尔曼滤波器所估计结，自车加速

㊂ 对两车距离的估计结果进行比较㊂

图３㊀工况１车间距离估计结果Ｆｉｇ．３㊀Ｔｈｅｅｓｔｉｍａｔｉｏｎｒｅｓｕｌｔｓｏｆｄｉｓｔａｎｃｅ１

㊀ 单滤波器的估计结果㊀ 图３中可见本文多滤波器方法的估计结果优于，这是由于常规卡尔曼滤波器在使用时，其结构保持不变，在车辆运行工况发生改变而不符合设定模型时会产生较大的误差㊂ 图４为各典型工况对应概率３，，可见，在０ ５ｓ内，符合工况因此工况６，３因此所对应的的模型概率为最大符合工况，工况６对应的模型概率为最大，５ １０

㊂

ｓ，图４㊀工况１模型概率Ｆｉｇ．４㊀Ｍｏｄｅｌｓｐｒｏｂａｂｉｌｉｔｙ１

图５为前车车速与加速度的估计结果

，虽然无车车通信信息，但依然取得了较好的估计效果㊂

（ａ）前车车速

图５㊀前车车速与加速度估计结果

（ｂ）前车加速度

Ｆｉｇ．５㊀Ｔｈｅｅｓｔｉｍａｔｉｏｎｒｅｓｕｌｔｓｏｆｓｐｅｅｄａｎｄａｃｃｅｌｅｒａｔｉｏｎ

仿真工况２设置为：仿真时长为１５ｓ，０ １０ｓ内，自车与前车都匀速行驶，且自车大于前车的车速，１０ １５ｓ内，前车依然匀速行驶，自车加速行驶，其中设定第８ １２ｓＧＰＳ因遮挡而失效，此时，仅靠雷达与加速度计获取观测信息，车距如图６所示㊂ 图中可见依然能够取得较好的估计效果，图７为各典型工况对应概率，可见，在０ １０ｓ内，符合工况

㊃ １１４６㊃ 哈㊀ 尔㊀ 滨㊀ 工㊀ 程㊀ 大㊀ 学㊀ 学㊀ 报㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ 第３５卷

３，１５因此工ｓ，符合工况况３所４，对因此应的，工况的模４型对应的模型概率为

概率为最大，１０ 最大

㊂

图６㊀工况２车间距离估计结果Ｆｉｇ．６Ｔｈｅｅｓｔｉｍａｔｉｏｎｒｅｓｕｌｔｓｏｆｄｉｓｔａｎｃｅ

２

图７㊀工况２模型概率Ｆｉｇ．７㊀Ｍｏｄｅｌｓｐｒｏｂａｂｉｌｉｔｙ２

４．２㊀针对本文所提出的方法进行实车试验验证实车试验验证

，采

用毫米波雷达获取相对距离与相对车速，ＧＰＳ获取车速信息ＰＣ１０４的工控，陀螺仪获取车辆加速度信息机实时同步采集信息，采，样利用基于１０Ｈｚ，试验车辆及传感器如图８所示㊂

频率为

图８㊀试验车辆及传感器Ｆｉｇ．８㊀Ｔｅｓｔｖｅｈｉｃｌｅａｎｄｓｅｎｓｏｒｓ

实车试验时长５０ｓ，结果如图９所示，图中，由于试验条件所限，无法获取Ｖ２Ｖ信息，但依然取得了较好的估计效果，验证了方法的鲁棒性㊂ 与传感器测量值或计算值相比较，滤波后的车速与距离信息更为平滑，有效的滤除了直测信息所含的毛刺和噪声信息，误差小，准确性高，以自车加速度为例，其滤波后值更为符合自车车速的变化趋势㊂ 其中，前车的加速度信息无测量值进行比较，但可以看出，其与前车车速的变化趋势相吻合，具有较高的准确性㊂ 试验中各种工况交替出现，而模型概率也很好的体现了这一点，说明了本方法的适应性较好，能够适应不同的行驶工况

㊂

（ａ）

前车车速

（ｂ）

前车加速度

（ｃ）自车车速

第９期㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ 宋翔，等：高速公路汽车追尾碰撞预警关键参数估计㊃ １１４７㊃

（ｄ）自车加速度

（ｅ）车间距离

图（ｆ）９模型概率

试验结果Ｆｉｇ．９㊀Ｔｒｉａｌｒｅｓｕｌｔｓ

４．３㊀对上述仿真工况改进ＴＴＣ算法验证

１与实车试验分别计算ＴＴＣ

值，图１０为传统方法所计算ＴＴＣ值，图１１为改进方法计算ＴＴＣ值㊂ 可见，利用传统ＴＴＣ方法进行计算，当两车车速较为接近时，计算值往往较大，不符合实际情况，事实上此时，若两车较为接近，也是较为危险的工况，而利用改进方法计算ＴＴＣ值则有效１０避免了该状况ｓ（以灰色虚线表示㊂ 以实车试验为例），传统方法所计算，假设预警阈值为

略了相对加速度即车辆间相对运动趋势ＴＴＣ，所计算值忽ＴＴＣ量漏警值高达，而利用改进方法计算的１０００ｓ，远远偏离了实际状况ＴＴＣ值在，产生了大３０ｓ之内，符合实际状况，避免了漏警和虚警㊂ 第６ ８ｓ中，自车与前车减速行驶，且前车减速度大于自车减速度，但自车车速暂小于前车车速，此时为较为危险的工况，若利用传统方法计算，忽略了相对加速度信息，则判定为无需报警，而利用改进方法计算值小于报警阈值１０ｓ，有效避免了漏警

㊂

（ａ）仿真工况１

图１０㊀ 传统方法（ｂ）实车试验

ＴＴＣ估计结果

Ｆｉｇ．１０㊀ＴＴＣｅｓｔｉｍａｔｅｒｅｓｕｌｔｓｏｆｔｒａｄｉｔｉｏｎａｌ

ｍｅｔｈｏｄｓ

（ａ）仿真工况１

㊃ １１４８㊃ 哈㊀ 尔㊀ 滨㊀ 工㊀ 程㊀ 大㊀ 学㊀ 学㊀ 报㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ 第３５卷

㊀

２０１０，１１（２）：２６７⁃２７６．

ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，ａｐｐｒｏａｃｈｔｏｔａｒｇｅｔｃｌａｓｓｉfiｃａｔｉｏｎｆｏｒａｃｔｉｖｅｓａｆｅｔｙｓｙｓｔｅｍｕ⁃ｓｉｎｇｍｉｃｒｏｗａｖｅｒａｄａｒ［Ｊ］．ＥｘｐｅｒｔＳｙｓｔｅｍｓｗｉｔｈＡｐｐｌｉｃａ⁃［５］ＣＨＡＮＧＢＲ，ＴＳＡＩＨＦ，ＹＯＵＮＧＣＰ．Ｉｎｔｅｌｌｉｇｅｎｔｄａｔａｆｕ⁃

ｔｉｏｎｓ，２０１０，３７：２３４０⁃２３４６．

［４］ＰＡＲＫＳ，ＨＷＡＮＧＪＰ，ＫＩＭＥ，ｅｔａｌ．Ａｎｅｕｒａｌｎｅｔｗｏｒｋ

图１１㊀改进方法（ｂ）实车试验

ＴＴＣ估计结果

Ｆｉｇ．１１㊀ＴＴＣｅｓｔｉｍａｔｅｒｅｓｕｌｔｓｏｆｉｍｐｒｏｖｅｄｍｅｔｈｏｄｓ

５㊀结论

仿真及试验结果表明，本文所提出的算法能够

较好地估计出追尾碰撞预警所需的关键参数，具有精度高㊁ 鲁棒性好㊁ 实时性好㊁ 适应性好等优点㊂

典型工况提出１）该方法针对高速公路车辆不同的相对运动

，利用交互多模型算法实现不同工况模型间的交互，能够保证在不同工况下对于高速公路追尾碰撞预警关键参数估计的准确性和适应性建立滤波系统的观测量２）充分利用ＧＰＳ与，并考虑到Ｖ２Ｖ信息结合雷达信息来

㊂

Ｖ２Ｖ技术尚未成熟，且ＧＰＳ存在因遮挡而失效状况，根据传感器实时状态进行切换，在运行过程中检测㊁ 容忍传感器信息的不准确甚至失效，保证个别传感器失效时依然能取得较好的估计效果，从而保障关键参数估计的可靠性和鲁棒性进行改进３）结合相对加速度信息㊂

，能够更为准确㊁ 可靠地估计出，对传统ＴＴＣ估计方法

ＴＴＣ这个高速公路追尾碰撞预警关键参数㊂

参考文献：

［１］ＰＡＲＫｓｉｎｇａｍｉｃｒｏｗａｖｅＳ，ＨＷＡＮＧｒａｄａｒＪＰ，ｆｏｒＫＩＭｓｉｔｕａｔｉｏｎＥ，ｅｔａｗａｒｅｎｅｓｓ［ａｌ．ＶｅｈｉｃｌｅＪ］．ｔｒａｃｋｉｎｇＣｏｎｔｒｏｌｕ⁃

［２］ＷＥＮＤＥＲＥｎｇｉｎｅｅｒｉｎｇＰｒａｃｔｉｃｅ，２０１０，１８：３８３⁃３９５．ｐｏｒｔｌａｓｅｒＳｙｓｔｅｍｓ，ｓｃａｎｎｅｒＳ，ａｎｄＤＩＥＴＭＡＹＥＲ２００８，ａｖｉｄｅｏ２（２）：ｃａｍｅｒａ［Ｊ］．Ｋ．３Ｄｖｅｈｉｃｌｅ１０５⁃１１２．

ＩＥＴＩｎｔｅｌｌｉｇｅｎｔｄｅｔｅｃｔｉｏｎｕｓｉｎｇＴｒａｎｓ⁃ａ［３］ＳＩＶＡＲＡＭＡＮｆｒａｍｅｗｏｒｋｆｏｒｏｎ⁃ｒｏａｄＳ，ＴＲＩＶＥＤＩｖｅｈｉｃｌｅＭｒｅｃｏｇｎｉｔｉｏｎＭ．Ａｇｅｎｅｒａｌａｎｄａｃｔｉｖｅ⁃ｌｅａｒｎｉｎｇ

ｔｒａｃｋｉｎｇ［Ｊ］．

ｓｉｏｎｓｉｏｎ／ｓｙｓｔｅｍＧＰＳｓｅｎｓｉｎｇｆｏｒｐｒｅｄｉｃｔｉｎｇ［Ｊ］．ＥｘｐｅｒｔｖｅｈｉｃｌｅＳｙｓｔｅｍｓｃｏｌｌｉｓｉｏｎｗｉｔｈｗａｒｎｉｎｇＡｐｐｌｉｃａｔｉｏｎｓ，ｕｓｉｎｇｖｉ⁃２０１０（３７）：Ｔ２４３９⁃２４５０．

ｉｎＭ，ＭＩＧＵＥＬＡＺ．Ｃｏｌｌｉｓｉｏｎａｖｏｉｄａｎｃｅｓｕｐｐｏｒｔ

ｆｕｓｉｎｇｒｏａｄｓｓｅａｒｃｈＧＰＳｗｉｔｈＰａｒｔ／Ｃ，ＩＭＵｌａｔｅｒａｌ２０１０，ａｎｄａｎｄｄｉｇｉｔａｌｌｏｎｇｉｔｕｄｉｎａｌ１８：６１１⁃６２５．ｍａｐｓ［Ｊ］．ｍａｎｅｕｖｅｒＴｒａｎｓｐｏｒｔａｔｉｏｎｐｒｅｄｉｃｔｉｏｎＲｅ⁃ｂｙｆｅｃｔｉｖｅＴ，ＢＥＮＳＬＩＭＡＮＥＡ，ＬＥＴＡＩＥＦＫＢ．ｖｏｉｄａｎｃｅｒｉｓｋ⁃ｃｏｎｓｃｉｏｕｓｎｏｌｏｇｙ，２０１０，ｓｙｓｔｅｍ［Ｊ］．５９（３）：ＩＥＥＥａｎｄｃｏｌｌａｂｏｒａｔｉｖｅ１４７４⁃１４８６．

ＴｒａｎｓａｃｔｉｏｎｓｖｅｈｉｃｕｌａｒＴｏｗａｒｄａｎｅｆ⁃

ｏｎＶｅｈｉｃｕｌａｒｃｏｌｌｉｓｉｏｎＴｅｃｈ⁃ａ⁃ｕｒｅｍｅｎｔａｎｄＴＨ，ｗａｒｎｉｎｇＨＳＵＣｍｏｄｕｌｅＳ，ＷＡＮＧｆｏｒｉｒｒｅｇｕｌａｒＣ，ｅｔａｌ．ｖｅｈｉｃｌｅＯｎｂｏａｒｄｂｅｈａｖｉｏｒｍｅａｓ⁃

［Ｊ］．ｔｅｍｓ，ＩＥＥＥ２００８，ＴｒａｎｓａｃｔｉｏｎｓＪ，９（３）：ＧＵＳＴＡＦＳＳＯＮ５０１⁃５１３．

ｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓ⁃ａｐｐｌｉｃａｔｉｏｎＦ．Ａｆｒａｍｅｗｏｒｋａｎｄａｕｔｏｍｏｔｉｖｅｔｏｍａｔｉｃａ，２００８（４４）：２３４７⁃２３５１．

ｏｆｃｏｌｌｉｓｉｏｎａｖｏｉｄａｎｃｅｄｅｃｉｓｉｏｎｍａｋｉｎｇ［Ｊ］．Ａｕ⁃ｆｅｄｅｒａｔｅｄfiｌｔｅｒｉｎｇＡ，ＭＩＲＡＮＤＡａｐｐｒｏａｃｈｆｏｒＭ，ＮＥＢＥＨＡＪｅｎｈａｎｃｅｄｐｏｓｉｔｉｏｎＶ．Ｃｏｏｐｅｒａｔｉｖｅ

ｔｉｏｎａｎｄｓｅｎｓｏｒｆａｕｌｔｔｏｌｅｒａｎｃｅｉｎａｄ⁃ｈｏｃｖｅｈｉｃｌｅｎｅｔｗｏｒｋｓｅｓｔｉｍａ⁃［Ｊ］．ＩＥＴＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔＳｙｓｔｅｍｓ，２００９，４（１）：８２⁃９２．ａｌ．ＧＵＳＴＡＦＳＳＯＮ［Ｊ］．ＰａｒｔｉｃｌｅＩＥＥＥｆｉｌｔｅｒｓＦ，ＴｒａｎｓａｃｔｉｏｎｆｏｒＧＵＮＮＡＲＳＳＯＮｐｏｓｉｔｉｏｎｉｎｇ，Ｆ，ＢＥＲＧＭＡＮＮ，ｅｔ

（２）：４２５⁃４３７．

ｏｎＳｉｇｎａｌｎａｖｉｇａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ，ａｎｄ２００２，ｔｒａｃｋｉｎｇ

５０刘扬动目标跟踪，闫新庆［，Ｊ］．国强哈尔滨工程大学学报．基于多因素模糊判决的多模型机

，２０１４，３５（５）：６３０⁃６３６．

ＬＩＵｍｅｔｈｏｄＹａｎｇ，ＹＡＮＸｉｎｑｉｎｇ，ＧＵＯｔｏｒｎｅｅｒｉｎｇｆｕｚｚｙｏｆＵｎｉｖｅｒｓｉｔｙ，２０１４，３５（５）：６３０⁃６３６

ｓｙｎｔｈｅｔｉｃｍａｎｅｕｖｅｒｉｎｇｅｖａｌｕａｔｉｏｎ［ｔａｒｇｅｔｔｒａｃｋｉｎｇＱｉａｎｇ．Ｔｈｅｍｕｌｔｉ⁃ｍｏｄｅｌＪ］．ＪｏｕｒｎａｌｂａｓｅｄｏｆＨａｒｂｉｎｏｎｍｕｌｔｉ⁃ｆａｃ⁃Ｅｎｇｉ⁃ＡｎＳＡ，ＦＲＥＭＯＮＴＶ，ＢＯＮＮＩＦＡＩＴＰ，ｅｔａｌ．

ｍａｇａｚｉｎｅ，ａｎｄｅｍｂｅｄｄｅｄｔｒａｃｋｉｎｇ［２０１２，Ｊ］．ｍｕｌｔｉ⁃ｍｏｄａｌＩＥＥＥＩｎｔｅｌｌｉｇｅｎｔｓｙｓｔｅｍＴｒａｎｓｐｏｒｔａｔｉｏｎｆｏｒｏｂｊｅｃｔｌｏｃａｌｉｚａｔｉｏｎ４：２⁃１４．

Ｓｙｓｔｅｍｓ

［７］ＴＡＬＥＢ［８］ＣＨＡＮＧ［６］ＲＡＦＡＥＬ［９］ＪＡＮＳＳＯＮ［１０］ＥＤＥＬＭＡＹＥＲ［１１］［１２］［１３］ＲＯＤＲＩＧＵＥＺ

第３５卷第９期２０１４年９月

哈㊀ 尔㊀ 滨㊀ 工㊀ 程㊀ 大㊀ 学㊀ 学㊀ 报ＪｏｕｒｎａｌｏｆＨａｒｂｉｎＥｎｇｉｎｅｅｒｉｎｇＵｎｉｖｅｒｓｉｔｙ

Ｖｏｌ．３５ɴ．９ Ｓｅｐ．２０１４

高速公路汽车追尾碰撞预警关键参数估计

宋翔，李旭，张为公

（东南大学仪器科学与工程学院，江苏南京２１００９６）

摘㊀ 要：为准确㊁ 可靠获取高速公路汽车追尾预警算法的关键参数，提出一种基于车辆相对运动典型工况的估计方法㊂ 根据高速公路车辆不同的相对运动典型工况建立多个卡尔曼滤波系统状态模型，以全球定位系统与车车通信信息结合雷达信息作为观测量，并在运行过程中检测㊁ 容忍传感器信息的不准确甚至失效，利用交互多模型算法，实时㊁ 准确㊁ 可靠的获取两车相对距离㊁ 速度㊁ 加速度以及碰撞时间等关键参数㊂ 仿真及实车试验结果表明，估计方法具有精度高㊁ 鲁棒性和适应性好的优点，且在传感器失效的情况下依然能取得较好的估计效果㊂

关键词：追尾碰撞；参数估计；交互多模型；卡尔曼滤波；车车通信；全球定位系统；毫米波雷达；传感器失效容忍；距离碰撞时间

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００６⁃７０４３．２０１４０４０９０

网络出版地址：ｈｔｔｐ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｏｉ／１０．３９６９／ｊ．ｉｓｓｎ．１００６⁃７０４３．２０１４０４０９０．ｈｔｍｌ中图分类号：ＴＰ２７３㊀文献标志码：Ａ㊀文章编号：１００６⁃７０４３（２０１４）０９⁃１１４２⁃０７

Ｅｓｔｉｍａｔｉｏｎｏｆｋｅｙｐａｒａｍｅｔｅｒｓｏｆｈｉｇｈｗａｙｒｅａｒ⁃ｅｎｄｃｏｌｌｉｓｉｏｎｗａｒｎｉｎｇ

（ＤｅｐａｒｔｍｅｎｔｏｆＩｎｓｔｒｕｍｅｎｔＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９６，Ｃｈｉｎａ）

ＳＯＮＧＸｉａｎｇ，ＬＩＸｕ，ＺＨＡＮＧＷｅｉｇｏｎｇ

Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｏｂｔａｉｎｋｅｙｐａｒａｍｅｔｅｒｓｏｆｈｉｇｈｗａｙｒｅａｒ⁃ｅｎｄｗａｒｎｉｎｇａｃｃｕｒａｔｅｌｙａｎｄｒｅｌｉａｂｌｙ，ａｎｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｔｙｐｉｃａｌｒｅｌａｔｉｖｅｍｏｖｅｍｅｎｔｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｏｆｖｅｈｉｃｌｅｓ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｄｉｆｆｅｒｅｎｔｖｅ⁃ｈｉｃｌｅｒｅｌａｔｉｖｅｍｏｖｅｍｅｎｔｃｏｎｄｉｔｉｏｎｓｏｎｔｈｅｈｉｇｈｗａｙ，ｔｈｅｍｕｌｔｉｐｌｅＫａｌｍａｎｆｉｌｔｅｒｉｎｇｓｙｓｔｅｍｓｔａｔｅｍｏｄｅｌｓａｒｅｅｓｔａｂ⁃ｌｉｓｈｅｄ．Ｃｏｍｂｉｎｉｎｇｔｈｅｇｌｏｂａｌｐｏｓｉｔｉｏｎｉｎｇｓｙｓｔｅｍ，ｖｅｈｉｃｌｅ⁃ｔｏ⁃ｖｅｈｉｃｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎａｎｄｒａｄａｒｉｎｆｏｒｍａ⁃ｔｉｏｎａｓｏｂｓｅｒｖａｔｉｏｎａｌｖａｒｉａｂｌｅｓ，ｔｈｅｋｅｙｐａｒａｍｅｔｅｒｓ，ｓｕｃｈａｓｒｅｌａｔｉｖｅｄｉｓｔａｎｃｅ，ｒｅｌａｔｉｖｅｖｅｌｏｃｉｔｙ，ｒｅｌａｔｉｖｅａｃｃｅｌｅｒａｔｉｏｎａｎｄＴＴＣ（ｔｉｍｅｔｏｃｏｌｌｉｓｉｏｎ），ａｒｅａｃｃｕｒａｔｅｌｙａｎｄｒｅｌｉａｂｌｙａｃｑｕｉｒｅｄｉｎｒｅａｌｔｉｍｅｂｙｕｓｉｎｇｉｎｔｅｒａｃｔｉｎｇｍｕｌｔｉｐｌｅｍｏｄｅｌｓａｌｇｏｒｉｔｈｍ．Ｍｏｒｅｏｖｅｒ，ｔｈｅｉｎａｃｃｕｒａｔｅａｎｄｉｎｖａｌｉｄｉｎｆｏｒｍａｔｉｏｎｏｆｓｅｎｓｏｒｓｉｓｄｅｔｅｃｔｅｄａｎｄｔｏｌｅｒａｔｅｄｉｎｔｈｉｓｍｅｔｈｏｄ．Ｔｈｅｓｉｍｕｌａｔｉｏｎａｎｄｔｒｉａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄｈａｓａｄｖａｎｔａｇｅｓｏｆｈｉｇｈａｃｃｕｒａｃｙ，ｇｏｏｄｒｏｂｕｓｔｎｅｓｓａｎｄｓｔｒｏｎｇａｄａｐｔａｂｉｌｉｔｙ．Ｉｎａｄｄｉｔｉｏｎ，ｔｈｅｈｉｇｈ⁃ｑｕａｌｉｔｙｅｓｔｉｍａｔｉｏｎｒｅｓｕｌｔｓｃａｎｓｔｉｌｌｂｅｏｂｔａｉｎｅｄｅｖｅｎｉｎｔｈｅｃａｓｅｏｆｓｅｎｓｏｒｍａｌｆｕｎｃｔｉｏｎｓ．

Ｋｅｙｗｏｒｄｓ：ｒｅａｒ⁃ｅｎｄｃｏｌｌｉｓｉｏｎ；ｐａｒａｍｅｔｅｒｓｅｓｔｉｍａｔｉｏｎ；ｉｎｔｅｒａｃｔｉｎｇｍｕｌｔｉｐｌｅｍｏｄｅｌ；Ｋａｌｍａｎｆｉｌｔｅｒｉｎｇ；ｇｌｏｂａｌｐｏｓｉｔｉｏ⁃ｎｉｎｇｓｙｓｔｅｍ；ｍｉｃｒｏｗａｖｅｒａｄａｒ；ｖｅｈｉｃｌｅｔｏｖｅｈｉｃｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ；ｓｅｎｓｏｒｆａｉｌｕｒｅｔｏｌｅｒａｎｃｅ；ｔｉｍｅｔｏｃｏｌｌｉｓｉｏｎ㊀ ㊀ 统计资料表明，车辆的追尾碰撞事故是高速公路上最主要的事故形态，其预警系统的研究也因此引起了世界各国的重视，环境感知与预警算法是其中的２项关键技术㊂

收稿日期：２０１３⁃０４⁃２６．网络出版时间：２０１４⁃０９⁃０４．基金项目：国家自然科学基金资助项目（６１２７３２３６）；教育部博士点基

金资助项目（２００８０２８６１０６１）；江苏省自然科学基金资助项目（ＢＫ２０１０２３９）；江苏省博士后科研基金资助项目（１４０１０１２Ｃ）．

作者简介：宋翔（１９８４⁃），男，博士后；

李旭（１９７５⁃），男，副教授，博士生导师．

通信作者：宋翔，Ｅ⁃ｍａｉｌ：ｓｘ２１９０１０５＠１６３．ｃｏｍ．

等技术被广泛研究和应用㊂ 毫米波雷达［４］最为常用，性能也最为优良，但所测信息噪声较大，易受恶劣天气㊁ 电磁波等影响，难以有效区分干扰目标，且无法获取车辆间相对加速度信息㊂ 近年来，国外很Ｖ２Ｖ）的防追尾碰撞技术进行了研究，该技术所获取但其有效性取决于ＧＰＳ和车车通信所传递信息的准确可靠，若ＧＰＳ受到遮挡，或因车车通信受到干多学者对基于全球定位系统与车车通信［５⁃７］（ＧＰＳ⁃信息较为全面㊁ 准确，且不受天气㊁ 干扰目标等影响，

在环境感知方面，雷达［１］㊁ 红外［２］㊁ 机器视觉［３］

第９期㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ 宋翔，等：高速公路汽车追尾碰撞预警关键参数估计㊃ １１４３㊃

扰而被屏蔽或延时，则会导致信息的不准确甚至无法获取，同时车车通信并未普及，很多车辆并不具备该功能㊂

碰撞时间（ｔｉｍｅｔｏｃｏｌｌｉｓｉｏｎ，ＴＴＣ）是追尾碰撞预警算法［８］中的一个关键参数与指标，国内外的ＴＴＣ值计算［９］方法忽略了相对加速度，导致计算结果误差较大，影响预警的准确性㊂ 同时，为滤除观测噪声，卡尔曼滤波［１０］㊁ 粒子滤波［１１］等滤波方法被广泛应用，近年来，交互多模型（ＩＭＭ）［１２⁃１３］机动目标跟踪算法也被应用于此，进一步减小了测量误差，但所采用的模型未考虑高速公路车辆相对运动的典型工况，准确性不足，也无法对故障或失效传感器信息有效处理和容忍，影响算法的可靠性㊂

基于此，本文提出一种高速公路汽车追尾碰撞预警关键参数估计方法，针对车辆相对运动的不同典型工况建立多个模型，利用ＩＭＭ算法，融合雷达和ＧＰＳ⁃Ｖ２Ｖ信息，实时㊁ 准确㊁ 可靠获取两车相对距离㊁ 速度与加速度等关键参数，并结合相对加速度信息来改ＴＴＣ这个预警关键参数进传统ＴＴＣ算法㊂

，以准确㊁ 可靠地估计出

１㊀１．１㊀系统传感器配置及算法构架

采用毫米波雷达传感器特性

㊁ＧＰＳ㊁ 加速度计，结合Ｖ２Ｖ以提供观测信息㊂ 毫米波雷达提供包含较大噪声的两车相对距离与速度，一般不会完全失效㊂ ＧＰＳ与加速度计提供自车位置㊁ 车速与加速度信息，Ｖ２Ｖ作提供前车的位置㊁ 车速与加速度信息，ＧＰＳ⁃Ｖ２Ｖ信息较为全面准确，但ＧＰＳ信号受到遮挡或Ｖ２Ｖ无法传输信息时会导致无法提供有效的前车信息号，很易判别Ｖ２Ｖ发生故障或失效的表现为无前车信息信

㊂

，ＧＰＳ信号是否发生故障或失效则可利用水ＨＤＯＰ）平精度因子（ｈｏｒｉｚｏｎｔａｌｄｉｌｕｔｉｏｎｏｆｐｒｅｃｉｓｉｏｎ，数大于等于值结合卫星数来判别４个时，判定为ＧＰＳ，在ＨＤＯＰ＜５正常工作时且卫星，否则判定ＧＰＳ失效㊂

基于此结合ＧＰＳ⁃Ｖ２Ｖ与雷达的优缺点，当传感器都工作正常时，以ＧＰＳ⁃Ｖ２Ｖ与加速度计及信息作为观测量，当车车通信失效而ＧＰＳ能正常工作时，以ＧＰＳ㊁加速度计及雷达信息作为观测量，当ＧＰＳ１．２㊀失效时算法构架

，以加速度计及雷达信息作为观测量㊂

所提出的关键参数估计算法如图

１㊂

图１㊀估计方法框图

Ｆｉｇ．１㊀Ｆｌｏｗｃｈａｒｔｏｆｅｓｔｉｍａｔｉｏｎｍｅｔｈｏｄ

２㊀２．１㊀车辆状态模型设置

车辆运动状态采用离散时间多模型表示系统状态方程

Ａ：Ｘｊ（ｋ）＝ｊ（ｋ，ｊｋ＝－１，２， ，７

１）Ｘｊ（ｋ－１）＋Ｗｊ（ｋ）

（１）

式中：ｋ表示离散化时刻；下标ｊ表示第ｊ个模型；状态向量Ｘ＝［ｄ㊀ ｖＬ声，其协方差矩阵为㊀ ＱａＬ；㊀ ＡｖＦ㊀ ａＦ］Ｔ；Ｗ为系统白噪ａ表示状态转移矩阵；ｄ为前车距自车的距离ＶＬ为前车速度与加速度；２．２㊀Ｆ㊁ ａ；ＶＬ㊁ Ｆ为自车速度与加速度㊂

针对高速公路车辆运行及发生追尾碰撞的典型

多模型设置

场景和工况进行分析，定义如下６种较为普遍的追尾碰撞危险工况，为简化模型，假定自车与前车行驶在同一直线上：

工况１：前车静止，自车匀速行驶；工况２：前车静止，自车加速行驶；

工况３：前车匀速行驶，自车以大于前车速度的车速匀速行驶；

工况４：前车匀速行驶，自车加速行驶；工况５：前车减速行驶，自车匀速行驶；工况６：前车减速行驶，自车加速行驶㊂ 除此之外，还考虑高速公路上常见安全状态：

㊃ １１４４㊃ 哈㊀ 尔㊀ 滨㊀ 工㊀ 程㊀ 大㊀ 学㊀ 学㊀ 报㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ 第３５卷

工况０：自车以等于前车的速度匀速行驶；工况７：自车以小于前车的速度匀速行驶；工况８：前车加速行驶，自车匀速行驶；工况９：前车匀速行驶，自车减速行驶㊂ ３㊁５㊁４，可见工况个卡尔曼模型来描述上述因此仅对工况７㊁８㊁９的状态转移矩阵等同于工况

０ ６７进行分析即可种工况，即ｊ＝㊂ １，２， ，

采用７

７，以分别代表工况Ａ，有：

０ ６，计算其状态转移矩阵Ａ１－Ａ７㊂ １为例éêê１

０Ａ０１００１＝êêê０

００００００ù

úú０úêê０２．３㊀ë０

００

０００

１０

０úú０úúû

第观测方程

ｊ个滤波器的观测方程为

Ｚｊ（ｋ）＝ｊＨ＝ｊ(ｋ)Ｘｊ１，２， ，７

（ｋ）＋Ｖｊ（ｋ）

（２）

式中：Ｚ为观测向量，Ｈ为观测矩阵，Ｚ与Ｈ根据传感器实时状态进行切换如图２所示；Ｖ是与Ｗ互不相关的观测噪声向量，其协方差矩阵为Ｒ

㊂

图２㊀观测量切换框图

Ｆｉｇ．２㊀Ｆｌｏｗｃｈａｒｔｏｆｏｂｓｅｒｖａｔｉｏｎｓｓｗｉｔｃｈｉｎｇ

图２中，ｄ距离，ｄＧＰＳ⁃Ｖ２Ｖ为由ＧＰＳ及Ｖ２Ｖ所计算的车间

ｒａｄａｒ和ｖｒ⁃ｒａｄａｒ为雷达所观测的车间距离与前车相对于自车的速度，ｖ前车速度和加速度，ｖＬ⁃Ｖ２Ｖ和ａ为ＧＰＳＬ⁃Ｖ２Ｖ为Ｖ２Ｖ所传输的所观测的自车速

度，ａＦ⁃ＧＰＳ３㊀Ｆ⁃ＡＣＣ为加速度计所观测的自车加速度㊂ 基于ＩＭＭ的改进ＴＴＣ估计方法

针对上述典型工况，建立７个卡尔曼滤波模型，

模型之间的转移概率用一个马尔科夫链来表示：Ｐ｛ｍ（ｋ＋１）＝ｊ｜ｍ（ｋ））＝ｉ｝＝ｐｉｊ

式中：ｍ（ｋ）是系统模型；ｐ（３）

ｉｊ是转移概率，下标ｉ㊁ ｊ表

示从状态ｉ转移到状态ｊ的概率㊂

３．１㊀预测第交互估计计算ｊ（ｊ＝１，２，３， ，７）个模型的模型概率

ρｊ（ｋ，ｋ－１）：

ρ７

ｊ（ｋ，ｋ－１）＝

预测混合概率ρð ｉ＝１

ｐｉｊρｉ（ｋ－１）ｉ｜ｊρ（ｋ－１）：

（４）ｉ｜ｊρｉ则可计算出交互估计后第（ｋ－１）＝ｐｉｊ（ｋｊ－个滤波器在１）／ρｊ（ｋ，ｋ－ｋ时刻的输１）

（５）

入Ｘ３．２㊀０ｊ每个滤波器各自进行卡尔曼滤波递推模型条件滤波

（ｋ－１）与估计误差方差阵Ｐ０ｊ（ｋ－１）㊂

，可根据

标准卡尔曼滤波递推过程进行，包括时间更新和测量更新两个过程，从而递推出第ｊ个模型滤波器的状态估计Ｘ３．３㊀模型概率更新

ｊ（ｋ）与估计误差方差阵Ｐｊ（ｋ）㊂

在每个模型完成上一步的更新之后，利用最大

似然函数Λｊ函数计算如下（ｋ：）计算新的模型概率ρｊ（ｋ），最大似然Λ{

１

ｋ)

}

ｊ（ｋ）＝

ｅｘｐ－

２

(Ｄｊ(ｋ))Ｔ

(Ｓｊ(ｋ))

－１

Ｄｊ(２πＳｊ(ｋ)

式中：Ｄ（６）

ｊ出的第ｊ（个模型ｋ）与Ｓｊ（ｋｋ时刻的残差与协方差）分别为模型条件滤波中所计算，由贝叶斯定理给出第ｊ个模型在ｋ时刻的模型概率ρｊ（ｋ）：

ρｊ(ｋ)＝

Λｊ(ｋ)ρｊ(ｋ，ｋ－１)－１）为第ｊ７

Λ（７）

ｉ个模型在＝１

ｉ(ｋ)ρｉ(ｋ，ｋ－１)式中：ρ３．４㊀估计组合

ｊ（ｋｋ－１时刻的模型概率㊂

在计算出各模型为正确的后验概率之后，对所

有滤波器的状态估计进行概率加权并求和，权系数为模型正确的后验概率，得到最终的状态估计为

Ｘ(ｋ)＝

ð ７

ｊ＝１

Ｘｊ(ｋ)ρｊ(ｋ)（８）

㊀ 加速度估计㊀ 据此即可推算出最终的两车相对距离，即车辆间相对距离ｄ可直接估计得出㊁ 速度和，

前车相对于自车的速度－ｖａｒ的加速度ａ＝ｖＬ－ｖＦ，前车相对于自车３．５㊀改进ＴＴＣｒ＝ａ算法ＬＦ㊂

传统的ＴＴＣ计算方法为当前两车相对距离除

以相对速度，该方法忽略了车辆间相对加速度，存在较大的误差，从而影响预警效果㊂ 在此基础上考虑

第９期㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ 宋翔，等：高速公路汽车追尾碰撞预警关键参数估计㊃ １１４５㊃

相对加速度信息进行改进：ｄ＋ｖｒ解式（９）可得

㊃ＴＴＣ ＋０．５ａｒ㊃ＴＴＣ ２＝０

（９）

ìïï－ｄｖｒ＜０，ａｒ＝ï

ｖｒ０ＴＴＣ＝ïïíï－ｖａｒ

－ｒｒｒａｒｖｒ＜０，ａｒʂ ０ï

ïｖ２ï－ａｒ

＋ｒ－２ｄˑ ａｒｒａｒｖｒȡ ０，ａｒ＜０㊀ ＴＴＣ㊀ 值将估计出的î

，且当(ｖ２（２）无解，此时不予计算ｒ

－２ｄｄ㊁ ˑ ｖａｒ㊁ ａｒ值代入即可实时计算出ｒ)＜０或ｖｒȡ０， ａｒȡ０ 时，式４㊀ＴＴＣ值㊂

４．１㊀仿真及试验分析

设置高速公路上典型工况对本文算法进行验

仿真验证与分析

证，应注意的是，若存在全面准确的Ｖ２Ｖ信息，则本文算法所需的所有信息均可实时准确获取，无法验证本文算法的鲁棒性，因此，在仿真试验中，假设无０法获取 ５ｓ内Ｖ２Ｖ，自车与前车以相同的速度匀速行驶信息㊂ 仿真工况１设置为：时长１０，５ｓ，

１０ 果如图ｓ内前车加速３所示，并与利用单卡尔曼滤波器所估计结，自车加速

㊂ 对两车距离的估计结果进行比较㊂

图３㊀工况１车间距离估计结果Ｆｉｇ．３㊀Ｔｈｅｅｓｔｉｍａｔｉｏｎｒｅｓｕｌｔｓｏｆｄｉｓｔａｎｃｅ１

㊀ 单滤波器的估计结果㊀ 图３中可见本文多滤波器方法的估计结果优于，这是由于常规卡尔曼滤波器在使用时，其结构保持不变，在车辆运行工况发生改变而不符合设定模型时会产生较大的误差㊂ 图４为各典型工况对应概率３，，可见，在０ ５ｓ内，符合工况因此工况６，３因此所对应的的模型概率为最大符合工况，工况６对应的模型概率为最大，５ １０

㊂

ｓ，图４㊀工况１模型概率Ｆｉｇ．４㊀Ｍｏｄｅｌｓｐｒｏｂａｂｉｌｉｔｙ１

图５为前车车速与加速度的估计结果

，虽然无车车通信信息，但依然取得了较好的估计效果㊂

（ａ）前车车速

图５㊀前车车速与加速度估计结果

（ｂ）前车加速度

Ｆｉｇ．５㊀Ｔｈｅｅｓｔｉｍａｔｉｏｎｒｅｓｕｌｔｓｏｆｓｐｅｅｄａｎｄａｃｃｅｌｅｒａｔｉｏｎ

仿真工况２设置为：仿真时长为１５ｓ，０ １０ｓ内，自车与前车都匀速行驶，且自车大于前车的车速，１０ １５ｓ内，前车依然匀速行驶，自车加速行驶，其中设定第８ １２ｓＧＰＳ因遮挡而失效，此时，仅靠雷达与加速度计获取观测信息，车距如图６所示㊂ 图中可见依然能够取得较好的估计效果，图７为各典型工况对应概率，可见，在０ １０ｓ内，符合工况

㊃ １１４６㊃ 哈㊀ 尔㊀ 滨㊀ 工㊀ 程㊀ 大㊀ 学㊀ 学㊀ 报㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ 第３５卷

３，１５因此工ｓ，符合工况况３所４，对因此应的，工况的模４型对应的模型概率为

概率为最大，１０ 最大

㊂

图６㊀工况２车间距离估计结果Ｆｉｇ．６Ｔｈｅｅｓｔｉｍａｔｉｏｎｒｅｓｕｌｔｓｏｆｄｉｓｔａｎｃｅ

２

图７㊀工况２模型概率Ｆｉｇ．７㊀Ｍｏｄｅｌｓｐｒｏｂａｂｉｌｉｔｙ２

４．２㊀针对本文所提出的方法进行实车试验验证实车试验验证

，采

用毫米波雷达获取相对距离与相对车速，ＧＰＳ获取车速信息ＰＣ１０４的工控，陀螺仪获取车辆加速度信息机实时同步采集信息，采，样利用基于１０Ｈｚ，试验车辆及传感器如图８所示㊂

频率为

图８㊀试验车辆及传感器Ｆｉｇ．８㊀Ｔｅｓｔｖｅｈｉｃｌｅａｎｄｓｅｎｓｏｒｓ

实车试验时长５０ｓ，结果如图９所示，图中，由于试验条件所限，无法获取Ｖ２Ｖ信息，但依然取得了较好的估计效果，验证了方法的鲁棒性㊂ 与传感器测量值或计算值相比较，滤波后的车速与距离信息更为平滑，有效的滤除了直测信息所含的毛刺和噪声信息，误差小，准确性高，以自车加速度为例，其滤波后值更为符合自车车速的变化趋势㊂ 其中，前车的加速度信息无测量值进行比较，但可以看出，其与前车车速的变化趋势相吻合，具有较高的准确性㊂ 试验中各种工况交替出现，而模型概率也很好的体现了这一点，说明了本方法的适应性较好，能够适应不同的行驶工况

㊂

（ａ）

前车车速

（ｂ）

前车加速度

（ｃ）自车车速

第９期㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ 宋翔，等：高速公路汽车追尾碰撞预警关键参数估计㊃ １１４７㊃

（ｄ）自车加速度

（ｅ）车间距离

图（ｆ）９模型概率

试验结果Ｆｉｇ．９㊀Ｔｒｉａｌｒｅｓｕｌｔｓ

４．３㊀对上述仿真工况改进ＴＴＣ算法验证

１与实车试验分别计算ＴＴＣ

值，图１０为传统方法所计算ＴＴＣ值，图１１为改进方法计算ＴＴＣ值㊂ 可见，利用传统ＴＴＣ方法进行计算，当两车车速较为接近时，计算值往往较大，不符合实际情况，事实上此时，若两车较为接近，也是较为危险的工况，而利用改进方法计算ＴＴＣ值则有效１０避免了该状况ｓ（以灰色虚线表示㊂ 以实车试验为例），传统方法所计算，假设预警阈值为

略了相对加速度即车辆间相对运动趋势ＴＴＣ，所计算值忽ＴＴＣ量漏警值高达，而利用改进方法计算的１０００ｓ，远远偏离了实际状况ＴＴＣ值在，产生了大３０ｓ之内，符合实际状况，避免了漏警和虚警㊂ 第６ ８ｓ中，自车与前车减速行驶，且前车减速度大于自车减速度，但自车车速暂小于前车车速，此时为较为危险的工况，若利用传统方法计算，忽略了相对加速度信息，则判定为无需报警，而利用改进方法计算值小于报警阈值１０ｓ，有效避免了漏警

㊂

（ａ）仿真工况１

图１０㊀ 传统方法（ｂ）实车试验

ＴＴＣ估计结果

Ｆｉｇ．１０㊀ＴＴＣｅｓｔｉｍａｔｅｒｅｓｕｌｔｓｏｆｔｒａｄｉｔｉｏｎａｌ

ｍｅｔｈｏｄｓ

（ａ）仿真工况１

㊃ １１４８㊃ 哈㊀ 尔㊀ 滨㊀ 工㊀ 程㊀ 大㊀ 学㊀ 学㊀ 报㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ ㊀ 第３５卷

㊀

２０１０，１１（２）：２６７⁃２７６．

ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓｔｅｍｓ，ａｐｐｒｏａｃｈｔｏｔａｒｇｅｔｃｌａｓｓｉfiｃａｔｉｏｎｆｏｒａｃｔｉｖｅｓａｆｅｔｙｓｙｓｔｅｍｕ⁃ｓｉｎｇｍｉｃｒｏｗａｖｅｒａｄａｒ［Ｊ］．ＥｘｐｅｒｔＳｙｓｔｅｍｓｗｉｔｈＡｐｐｌｉｃａ⁃［５］ＣＨＡＮＧＢＲ，ＴＳＡＩＨＦ，ＹＯＵＮＧＣＰ．Ｉｎｔｅｌｌｉｇｅｎｔｄａｔａｆｕ⁃

ｔｉｏｎｓ，２０１０，３７：２３４０⁃２３４６．

［４］ＰＡＲＫＳ，ＨＷＡＮＧＪＰ，ＫＩＭＥ，ｅｔａｌ．Ａｎｅｕｒａｌｎｅｔｗｏｒｋ

图１１㊀改进方法（ｂ）实车试验

ＴＴＣ估计结果

Ｆｉｇ．１１㊀ＴＴＣｅｓｔｉｍａｔｅｒｅｓｕｌｔｓｏｆｉｍｐｒｏｖｅｄｍｅｔｈｏｄｓ

５㊀结论

仿真及试验结果表明，本文所提出的算法能够

较好地估计出追尾碰撞预警所需的关键参数，具有精度高㊁ 鲁棒性好㊁ 实时性好㊁ 适应性好等优点㊂

典型工况提出１）该方法针对高速公路车辆不同的相对运动

，利用交互多模型算法实现不同工况模型间的交互，能够保证在不同工况下对于高速公路追尾碰撞预警关键参数估计的准确性和适应性建立滤波系统的观测量２）充分利用ＧＰＳ与，并考虑到Ｖ２Ｖ信息结合雷达信息来

㊂

Ｖ２Ｖ技术尚未成熟，且ＧＰＳ存在因遮挡而失效状况，根据传感器实时状态进行切换，在运行过程中检测㊁ 容忍传感器信息的不准确甚至失效，保证个别传感器失效时依然能取得较好的估计效果，从而保障关键参数估计的可靠性和鲁棒性进行改进３）结合相对加速度信息㊂

，能够更为准确㊁ 可靠地估计出，对传统ＴＴＣ估计方法

ＴＴＣ这个高速公路追尾碰撞预警关键参数㊂

参考文献：

［１］ＰＡＲＫｓｉｎｇａｍｉｃｒｏｗａｖｅＳ，ＨＷＡＮＧｒａｄａｒＪＰ，ｆｏｒＫＩＭｓｉｔｕａｔｉｏｎＥ，ｅｔａｗａｒｅｎｅｓｓ［ａｌ．ＶｅｈｉｃｌｅＪ］．ｔｒａｃｋｉｎｇＣｏｎｔｒｏｌｕ⁃

［２］ＷＥＮＤＥＲＥｎｇｉｎｅｅｒｉｎｇＰｒａｃｔｉｃｅ，２０１０，１８：３８３⁃３９５．ｐｏｒｔｌａｓｅｒＳｙｓｔｅｍｓ，ｓｃａｎｎｅｒＳ，ａｎｄＤＩＥＴＭＡＹＥＲ２００８，ａｖｉｄｅｏ２（２）：ｃａｍｅｒａ［Ｊ］．Ｋ．３Ｄｖｅｈｉｃｌｅ１０５⁃１１２．

ＩＥＴＩｎｔｅｌｌｉｇｅｎｔｄｅｔｅｃｔｉｏｎｕｓｉｎｇＴｒａｎｓ⁃ａ［３］ＳＩＶＡＲＡＭＡＮｆｒａｍｅｗｏｒｋｆｏｒｏｎ⁃ｒｏａｄＳ，ＴＲＩＶＥＤＩｖｅｈｉｃｌｅＭｒｅｃｏｇｎｉｔｉｏｎＭ．Ａｇｅｎｅｒａｌａｎｄａｃｔｉｖｅ⁃ｌｅａｒｎｉｎｇ

ｔｒａｃｋｉｎｇ［Ｊ］．

ｓｉｏｎｓｉｏｎ／ｓｙｓｔｅｍＧＰＳｓｅｎｓｉｎｇｆｏｒｐｒｅｄｉｃｔｉｎｇ［Ｊ］．ＥｘｐｅｒｔｖｅｈｉｃｌｅＳｙｓｔｅｍｓｃｏｌｌｉｓｉｏｎｗｉｔｈｗａｒｎｉｎｇＡｐｐｌｉｃａｔｉｏｎｓ，ｕｓｉｎｇｖｉ⁃２０１０（３７）：Ｔ２４３９⁃２４５０．

ｉｎＭ，ＭＩＧＵＥＬＡＺ．Ｃｏｌｌｉｓｉｏｎａｖｏｉｄａｎｃｅｓｕｐｐｏｒｔ

ｆｕｓｉｎｇｒｏａｄｓｓｅａｒｃｈＧＰＳｗｉｔｈＰａｒｔ／Ｃ，ＩＭＵｌａｔｅｒａｌ２０１０，ａｎｄａｎｄｄｉｇｉｔａｌｌｏｎｇｉｔｕｄｉｎａｌ１８：６１１⁃６２５．ｍａｐｓ［Ｊ］．ｍａｎｅｕｖｅｒＴｒａｎｓｐｏｒｔａｔｉｏｎｐｒｅｄｉｃｔｉｏｎＲｅ⁃ｂｙｆｅｃｔｉｖｅＴ，ＢＥＮＳＬＩＭＡＮＥＡ，ＬＥＴＡＩＥＦＫＢ．ｖｏｉｄａｎｃｅｒｉｓｋ⁃ｃｏｎｓｃｉｏｕｓｎｏｌｏｇｙ，２０１０，ｓｙｓｔｅｍ［Ｊ］．５９（３）：ＩＥＥＥａｎｄｃｏｌｌａｂｏｒａｔｉｖｅ１４７４⁃１４８６．

ＴｒａｎｓａｃｔｉｏｎｓｖｅｈｉｃｕｌａｒＴｏｗａｒｄａｎｅｆ⁃

ｏｎＶｅｈｉｃｕｌａｒｃｏｌｌｉｓｉｏｎＴｅｃｈ⁃ａ⁃ｕｒｅｍｅｎｔａｎｄＴＨ，ｗａｒｎｉｎｇＨＳＵＣｍｏｄｕｌｅＳ，ＷＡＮＧｆｏｒｉｒｒｅｇｕｌａｒＣ，ｅｔａｌ．ｖｅｈｉｃｌｅＯｎｂｏａｒｄｂｅｈａｖｉｏｒｍｅａｓ⁃

［Ｊ］．ｔｅｍｓ，ＩＥＥＥ２００８，ＴｒａｎｓａｃｔｉｏｎｓＪ，９（３）：ＧＵＳＴＡＦＳＳＯＮ５０１⁃５１３．

ｏｎＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔａｔｉｏｎＳｙｓ⁃ａｐｐｌｉｃａｔｉｏｎＦ．Ａｆｒａｍｅｗｏｒｋａｎｄａｕｔｏｍｏｔｉｖｅｔｏｍａｔｉｃａ，２００８（４４）：２３４７⁃２３５１．

ｏｆｃｏｌｌｉｓｉｏｎａｖｏｉｄａｎｃｅｄｅｃｉｓｉｏｎｍａｋｉｎｇ［Ｊ］．Ａｕ⁃ｆｅｄｅｒａｔｅｄfiｌｔｅｒｉｎｇＡ，ＭＩＲＡＮＤＡａｐｐｒｏａｃｈｆｏｒＭ，ＮＥＢＥＨＡＪｅｎｈａｎｃｅｄｐｏｓｉｔｉｏｎＶ．Ｃｏｏｐｅｒａｔｉｖｅ

ｔｉｏｎａｎｄｓｅｎｓｏｒｆａｕｌｔｔｏｌｅｒａｎｃｅｉｎａｄ⁃ｈｏｃｖｅｈｉｃｌｅｎｅｔｗｏｒｋｓｅｓｔｉｍａ⁃［Ｊ］．ＩＥＴＩｎｔｅｌｌｉｇｅｎｔＴｒａｎｓｐｏｒｔＳｙｓｔｅｍｓ，２００９，４（１）：８２⁃９２．ａｌ．ＧＵＳＴＡＦＳＳＯＮ［Ｊ］．ＰａｒｔｉｃｌｅＩＥＥＥｆｉｌｔｅｒｓＦ，ＴｒａｎｓａｃｔｉｏｎｆｏｒＧＵＮＮＡＲＳＳＯＮｐｏｓｉｔｉｏｎｉｎｇ，Ｆ，ＢＥＲＧＭＡＮＮ，ｅｔ

（２）：４２５⁃４３７．

ｏｎＳｉｇｎａｌｎａｖｉｇａｔｉｏｎＰｒｏｃｅｓｓｉｎｇ，ａｎｄ２００２，ｔｒａｃｋｉｎｇ

５０刘扬动目标跟踪，闫新庆［，Ｊ］．国强哈尔滨工程大学学报．基于多因素模糊判决的多模型机

，２０１４，３５（５）：６３０⁃６３６．

ＬＩＵｍｅｔｈｏｄＹａｎｇ，ＹＡＮＸｉｎｑｉｎｇ，ＧＵＯｔｏｒｎｅｅｒｉｎｇｆｕｚｚｙｏｆＵｎｉｖｅｒｓｉｔｙ，２０１４，３５（５）：６３０⁃６３６

ｓｙｎｔｈｅｔｉｃｍａｎｅｕｖｅｒｉｎｇｅｖａｌｕａｔｉｏｎ［ｔａｒｇｅｔｔｒａｃｋｉｎｇＱｉａｎｇ．Ｔｈｅｍｕｌｔｉ⁃ｍｏｄｅｌＪ］．ＪｏｕｒｎａｌｂａｓｅｄｏｆＨａｒｂｉｎｏｎｍｕｌｔｉ⁃ｆａｃ⁃Ｅｎｇｉ⁃ＡｎＳＡ，ＦＲＥＭＯＮＴＶ，ＢＯＮＮＩＦＡＩＴＰ，ｅｔａｌ．

ｍａｇａｚｉｎｅ，ａｎｄｅｍｂｅｄｄｅｄｔｒａｃｋｉｎｇ［２０１２，Ｊ］．ｍｕｌｔｉ⁃ｍｏｄａｌＩＥＥＥＩｎｔｅｌｌｉｇｅｎｔｓｙｓｔｅｍＴｒａｎｓｐｏｒｔａｔｉｏｎｆｏｒｏｂｊｅｃｔｌｏｃａｌｉｚａｔｉｏｎ４：２⁃１４．

Ｓｙｓｔｅｍｓ

［７］ＴＡＬＥＢ［８］ＣＨＡＮＧ［６］ＲＡＦＡＥＬ［９］ＪＡＮＳＳＯＮ［１０］ＥＤＥＬＭＡＹＥＲ［１１］［１２］［１３］ＲＯＤＲＩＧＵＥＺ